Digital twins began as virtual counterparts to physical systems. In aerospace, manufacturing, and other high-stakes environments, they gave engineers a safe way to observe behaviour, test scenarios, and reduce risk before making real-world changes. That framing now feels incomplete.
Digital twins began as virtual counterparts to physical systems. In aerospace, manufacturing, and other high-stakes environments, they gave engineers a safe way to observe behaviour, test scenarios, and reduce risk before making real-world changes. That framing now feels incomplete.
To that point, a 2024 survey of C-suite executives by Hexagon found nearly two-thirds (62%) get immense value from digital twins. The bottleneck has shifted from whether to deploy them to how to make them trustworthy enough for autonomy. That shift matters because the moment a twin becomes a place where software makes recommendations, tests strategies, or guides action, the technical center of gravity changes. Visualization still matters. Simulation still matters. The harder problem sits underneath. A serious digital twin has to hold together current state, historical state, relationships, constraints, external inputs, and, increasingly, the context and reasoning that underpins all this. For developers and architects, that makes the data backbone far more consequential than it has ever been.
AI agents quickly sharpen that problem. A human operator can tolerate a degree of architectural mess. While comparing dashboards, we can skim logs, open a maintenance note, all the while remembering that one source tends to lag — and mentally stitch the rest together.
An AI agent, operating within a twin, is far less forgiving. If it is trying to understand why a cooling loop is underperforming, or whether a maintenance intervention should be delayed until after a production peak, the layers of data needed to make that decision are huge. Live sensor data, equipment dependencies, work-order history, and a lot more — all in the same decision path. Some of that information is relational. Some is document-shaped. Some is graph-shaped. Some is temporal. Some may arrive as embeddings or unstructured operator notes. If that context is fragmented across too many stores and too many APIs, the application layer ends up rebuilding meaning every time the agent asks a serious question.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: InfoWorld
- Published: 27/08/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por qué importa
La conversación sobre inteligencia artificial se volvió ruidosa, y eso hace más difícil ver lo importante. Lo importante casi nunca es el modelo: es qué proceso concreto queda más barato, más rápido o más confiable, y quién se hace responsable cuando la respuesta sale mal.
Lo que miro primero no es la capacidad del modelo sino el dato que lo alimenta. Casi todos los proyectos que vi fracasar no fracasaron por el algoritmo: fracasaron porque el dato estaba en tres sistemas con tres definiciones distintas y nadie quiso ser el que arreglara eso.
Lo que suele salir mal
El punto donde suele romperse es el traspaso a operación. El equipo que hizo el piloto sabe interpretar los resultados; el equipo que lo recibe, no. Sin capacitación y sin criterios escritos, la gente empieza a aceptar todo lo que el modelo dice o a ignorarlo por completo, y ambas cosas son igual de caras.
Qué mirar
- Qué proceso concreto se toca y cómo se mide antes y después; sin línea base no hay resultado, hay opinión.
- Quién revisa las salidas del modelo y con qué frecuencia — el punto donde la IA se vuelve auditable.
- El costo por consulta a volumen real, no el del piloto: es la variable que más sorpresas da.
Cómo leo esta entrada
Si tuviera que llevar esto a una organización, empezaría por un proceso aburrido y medible — conciliación, atención de primer nivel, revisión documental — y lo dejaría andando con métrica antes de tocar nada vistoso. La credibilidad para los proyectos grandes se compra con un resultado chico que nadie puede discutir.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
